авторефераты диссертаций БЕСПЛАТНАЯ БИБЛИОТЕКА РОССИИ

КОНФЕРЕНЦИИ, КНИГИ, ПОСОБИЯ, НАУЧНЫЕ ИЗДАНИЯ

<< ГЛАВНАЯ
АГРОИНЖЕНЕРИЯ
АСТРОНОМИЯ
БЕЗОПАСНОСТЬ
БИОЛОГИЯ
ЗЕМЛЯ
ИНФОРМАТИКА
ИСКУССТВОВЕДЕНИЕ
ИСТОРИЯ
КУЛЬТУРОЛОГИЯ
МАШИНОСТРОЕНИЕ
МЕДИЦИНА
МЕТАЛЛУРГИЯ
МЕХАНИКА
ПЕДАГОГИКА
ПОЛИТИКА
ПРИБОРОСТРОЕНИЕ
ПРОДОВОЛЬСТВИЕ
ПСИХОЛОГИЯ
РАДИОТЕХНИКА
СЕЛЬСКОЕ ХОЗЯЙСТВО
СОЦИОЛОГИЯ
СТРОИТЕЛЬСТВО
ТЕХНИЧЕСКИЕ НАУКИ
ТРАНСПОРТ
ФАРМАЦЕВТИКА
ФИЗИКА
ФИЗИОЛОГИЯ
ФИЛОЛОГИЯ
ФИЛОСОФИЯ
ХИМИЯ
ЭКОНОМИКА
ЭЛЕКТРОТЕХНИКА
ЭНЕРГЕТИКА
ЮРИСПРУДЕНЦИЯ
ЯЗЫКОЗНАНИЕ
РАЗНОЕ
КОНТАКТЫ


Pages:     | 1 | 2 || 4 | 5 |

«ISSN 2079-083x ВЕСТНИК НАЦИОНАЛЬНОГО ТЕХНИЧЕСКОГО УНИВЕРСИТЕТА «ХПИ» Сборник научных трудов ...»

-- [ Страница 3 ] --

Список літератури: 1. Воробьва В.И. Практикум по синоптической метеорологи. – М.: Радио и связь, 1983. – 276 с. 2. Зверев А.С. Синоптическая метеорология. – Л.: Энергия. Ленингр. отд-ние, 1968. – 472 с. 3. Пальмен Э., Ньютон Ч. Циркуляционные системы атмосферы пер. с англ. – М.:

Энергия, 1973. 4. Питерсен A.С. Анализ и прогнозы погоды. пер. с англ. – М.: Энергия, 1961. – 392 с. 5. Хргиан А.Х. История метеорологии в России. Труды Института истории естествознания.

– М.: Энергия, 1948. – 424 с. 6. Хромов С.П. Основы синоптической метеорологи. – М.: Связь, 1948. – 199 с. 7. Юдин М.И. Новые методы и проблемы краткосрочного прогноза погоды. – Л.:

Энергия, 1993. – 132 с.

Надійшла до редколегії 21.09. УДК 531. О.В. ГУСЕЛЬНІКОВ, аспірант НТУ ХПІ ВИМІРЮВАЛЬНИЙ ПРИЛАД У статті наведені опис та принцип роботи, розробленого аналого-цифрового вимірювального приладу;

досліджені метрологічні характеристики виконаного на його базі цифрового вимірюва ча напруги з електродинамічним механізмом.

В статье приведены описание и принцип работы, разработанного аналого-цифрового измерите льного прибора;

исследованы метрологические характеристики выполненного на его базе циф рового измерителя напряжения с электродинамическим механизмом.

The article describes the working principle and developed analog-digital measuring device;

investigated metrological characteristics performed on the basis of its digital voltage meter electrodynamic mecha nism.

В теперішній час в різноманітних областях науки, не дивлячись на бурх ливий розвиток цифрової техніки [1], широке розповсюдження мають анало гові стрілочні прилади для вимірювання різноманітних фізичних величин [2].

Поряд з перевагами, основними з яких є: висока надійність, наочність зна чень вимірювальної інформації і відносно низька вартість, суттєвим недолі ком аналогових приладів є те, що вони перетворюють вимірювальну величи ну тільки в переміщення стрілочного покажчика відносно відміток шкали, що обмежує їх використання в інформаційно – вимірювальних і керуючих сис темах, де необхідно представляти вимірювальну інформацію у вигляді елект ричного сигналу.

Розроблено аналого-цифровий вимірювальний прилад [3]. На рисунку зображена структурна схема вимірювального приладу де: ЧЕ-чутливий еле мент на який подається вимірювальна приладом величина Х, СП- спіральна пружина для створення протидіючого моменту, що підключена до контура LC – автогенератора електричних коливань (АГ), вихідний сигнал якого по дається на кодуючий перетворювач (КП), що складається з формувача пря мокутних імпульсів (ФПІ) та мікроконтроллера МК, де оброблюється сигнал автогенератора [4].

Х ЧЕ КП АГ NX ФПІ МК СП Рис. 1. Структурна схема вимірювального приладу Для встановлення залежності індуктивності в діапазоні (2,20’2,34) мкГн пружини від її деформації в діапазоні (0’5) мм проведені експериментальні дослідження на установці, результати яких наведено на рисунку 2 та в табли ці.

2, 2, 2, індуктивність, мкГн 2, Розтягнення Стиснення 2, 2, 2, 2, 0 0,5 1 1,5 2 2,5 3 3,5 4 4,5 деформація, мм Рис. 2. Залежність індуктивності пружини від деформації Таблиця. Результати дослідження залежності індуктивності котушки від де формації № Деформація, мм Індуктивність, мкГн, Індуктивність, мкГн, при розтягненні при стисненні 1 2 3 1 0,00 2,3328 2, 2 0,25 2,3265 2, 3 0,50 2,3203 2, 4 0,75 2,3141 2, 5 1,00 2,3079 2, 6 1,25 2,3018 2, 7 1,50 2,2957 2, 8 1,75 2,2897 2, 9 2,00 2,2837 2, 10 2,25 2,2778 2, 11 2,50 2,2719 2, 12 2,75 2,2660 2, 13 3,00 2,2601 2, Кінець таблиці 1 2 3 14 3,25 2,2543 2, 15 3,50 2,2485 2, 16 3,75 2,2428 2, 17 4,00 2,2371 2, 18 4,25 2,2315 2, 19 4,50 2,2258 2, 20 4,75 2,2202 2, 21 5,00 2,2147 2, Як видно з графіку і таблиці індуктивність пружини лінійно залежить від її деформації.

Вимірювальний прилад працює наступним чином. При відсутності (ну льовому значенні) на вході чутливого елементу вимірюваної величини (Х=0), встановлюються початкові значення: геометричні розміри, кількість витків і індуктивність L0 спіральної пружини, яка крім створення протидію чого моменту використовується в якості котушки індуктивності, що підклю чена до контура LC – автогенератора електричних коливань, при цьому поча ткове значення частоти f0 = автогенератора поступає на формувач 2 LC прямокутних імпульсів та далі на мікроконтроллер, де формуються часовий 0, інтервал і число імпульсів N0 =f0, яке зберігається в оперативній пам'яті МК.

Зміна (наприклад підвищення) значення вимірювальної величини приз водить до деформації пружини-котушки 1 (наприклад до збільшення її діаме тру і зменшення кількості витків), тобто до зміни її індуктивності L0 і отже, частоти f0 автогенератора і вихідний сигнал f1 має вигляд:

f f1 =, (1) 1+K X де K –коефіцієнт перетворення ЧЕ і СП.

Вихідний сигнал через ФПІ надходить на вхід МК, де формуються інтервал часу і N1 =f12 =N0 f12f0 2 число імпульсів, яке теж зберігається в оператив ній пам'яті МК. Далі в блоці обчислення МК виконується формування вихід ного сигналу КП у вигляді числового коду NX наступним чином:

f 0 1+K 0, N X =N1 -N0 =N0 f12 f0 2 -N0 =N -1 =N0 K X (2) f Графічно процес формування вихідного сигналу наведено на рисунку 3.

U f t f t N 0 =f t N1 =f NX N X =N1 -N t Рис. 3. Процес формування вихідного сигналу вимірювального приладу Технічним результатом є те, що вимірювальний прилад має просту і на дійну конструкцію, яка забезпечує можливість безпосереднього підключення спіральної пружини для створення протидіючого моменту в якості котушки індуктивності у контур автогенератора та отримати крім ана логового (відлік по шкалі), цифровий вихідний сигнал, що розширює область використання такого приладу в інформаційно-вимірювальних та контролюю чих системах. Побудований, на основі такого приладу, вольтметр з електро динамічним вимірювальним механізмом та цифровим відліковим пристроєм, забезпечував у діапазоні 0-150 В похибку відліку ±0,5% по аналоговій і циф ровій шкалам.

Список литератури: 1. Чинков В.М. Цифрові вимірювальні прилади.– Харків: НТУ «ХПІ», 2008.– 508 с. 2.Поліщук Є.С., Дорожовець М.М., Яцук В.О. та ін. Метрологія та вимірювальна техніка.- Львів: Бескид Біт, 2003.- 544 с.3. Гусельніков В.К., Гусельніков О.В. Патент України 54165 «Вимірювальний прилад».Бюл, №20. 25.10.2010. 4. Шпак Ю.А. Программирование на языке С для AVR и PIC микроконтроллеров – К.: МК-Пресс, 2006. – 400 с.

Надійшла до редколегії 21.10. УДК 621. А.П. ДАВИДЕНКО, канд. техн. наук, проф. НТУ «ХПИ», В.Н. СЛАВКОВ, аспирант, НТУ «ХПИ»

ИНДУКЦИОННЫЙ НАГРЕВ В ЗАДАЧАХ ТЕПЛОВОГО НЕРАЗРУШАЮЩЕГО КОНТРОЛЯ И ПРИ ОПРЕДЕЛЕНИИ ТЕПЛОФИЗИЧЕСКИХ СВОЙСТВ ОБЪЕКТОВ У статті розглядаються питання можливості застосування індукційного нагріву при тепловому неруйнівному контролі об'єктів, а також при визначенні їх теплофізичних властивостей. Прове дено аналіз конструктивних рішень індукційних нагрівачів. Запропоновано конструкцію індук ційного нагрівача для вирішення завдань теплового неруйнівного контролю за допомогою циф рового фотоапарату.

В статье рассматриваются вопросы возможности применения индукционного нагрева при тепло вом неразрушающем контроле объъектив, а также при определении их теплофизических свойств. Проведен анализ конструктивных решений индукционных нагревателей. Предложена конструкция индукционного нагревателя для решения заданий теплового неразрушающего кон троля с помощью цифрового фотоаппарата.

The article discusses the possibility using heating induction at the thermal nondestructive testing of objects, as well as the determination of their thermal properties. The constructive solutions analysis of induction heaters was carry out. The induction heater design for objective resolution of the thermal nondestructive testing with a digital camera was proposed.

Постановка проблемы. При тепловом неразрушающем контроле (ТНК), а также при определении теплофизических свойств объектов возмож но применение цифрового фотоаппарата (ЦФ), который позволяет произве сти обработку цифровых температурных картин и получить характеристики распределения температур на поверхности объекта [1].

Фотографический метод ТНК, основан на анализе RGB уровней изобра жений (рис. 1) объектов нагретых до температуры видимого диапазона спек тра (более 600 0С) [2]. В данном случае для выявления дефектов (скрытых раковин, полостей, трещин, инородных включений и т.д. [3]) не обязательно знать значения температур по поверхности объекта, достаточно лишь иметь картину распределения температуры по поверхности объекта.

а) б) Рис. 1. Обнаружение дефектов по значениям RGB уровней изображения при фотографическом методе ТНК:

а) – изображение объекта исследования;

б) – распределение RGB уровней полученное после обработки в MathCAD При определении теплофизических свойств объекта необходимо устано вить связь термодинамической температуры объекта с полученными в про цессе фотографирования значениями RGB уровней изображения, а также отслеживать скорость изменения распределения термодинамической темпе ратуры объекта в процессе нагревания (охлаждения) (рис. 2).

а) б) в) Рис. 2. Распределение RGB уровней изображения в процессе нагревания пластин металлов (размер 1010 см, толщина 1 мм):

1 – алюминий;

2 – медь;

3 – сталь;

а) момент времени t0;

б) момент времени t0+1 мин;

в) момент времени t0+2 мин Использование ЦФ в качестве средства измерения термодинамической температуры возможно при разработке соответствующего метрологического обеспечения, которое включает в себя процедуру его калибровки с помощью установки, состоящей из абсолютно черного тела (АЧТ), источника внешнего теплового воздействия, исследуемого объекта (разнородные металлы), а так же устройства контроля температуры (рис. 3).

АЧТ И ИН ОИ ЦФ И УКТ Рис. 3. Структурная схема установки для калибровки ЦФ:

АЧТ – абсолютно чрное тело;

И – индуктор;

ОИ – объект исследования;

ИН – индукционный нагреватель;

УКТ – устройство контроля температуры;

ЦФ – цифровой фотоаппарат В данной статье рассматриваться возможность применения индукцион ного нагревателя в качестве источника внешнего теплового воздействия в установке для калибровки ЦФ, а также при фотографическом методе ТНК.

Анализ литературы. Развитие индукционного нагрева идт по пути со вершенствования его технологии и автоматизации, в том числе и на основе достижений современной вычислительной техники [4]. В связи с ростом мощности установок и расширением их использования в промышленности особое значение приобрело совершенствование основной аппаратуры и ис точников питания, направленное на улучшение энергетических показателей и наджности установок для нагрева проводящих материалов и диэлектриков.

Цель статьи – анализ конструктивных решений индукционных нагрева телей. Разработка и применение индукционного нагревателя при использова нии фотографического метода ТНК, а также при определении теплофизиче ских свойств объектов.

Индукционный нагреватель. При проведении экспериментов с помо щью установки для калибровки ЦФ, а также в реальных производственных условиях данный вид нагревателя обладает рядом преимуществ по отноше нию к другим видам нагревателей [5], а именно: высокоскоростной разогрев любого электропроводящего материала;

возможен нагрев в атмосфере за щитного газа, в окислительной (или восстановительной) среде, в непроводя щей жидкости, в вакууме;

нагрев через стенки защитной камеры, изготовлен ной из стекла, цемента, пластмасс, дерева – эти материалы очень слабо по глощают электромагнитное излучение и остаются холодными при работе установки;

нагревается только электропроводящий материал – металл (в том числе расплавленный), углерод, проводящая керамика, электролиты, жидкие металлы и т. п.;

поскольку разогрев ведется посредством электромагнитного излучения, отсутствует загрязнение заготовки продуктами горения факела в случае газопламенного нагрева, или материалом электрода в случае дугового нагрева;

помещение образцов в атмосферу инертного газа и высокая скорость нагрева позволят ликвидировать окалинообразование;

удобство эксплуатации за счет небольшого размера индуктора;

индуктор можно изготовить особой формы – это позволит равномерно прогревать по всей поверхности детали сложной конфигурации, не приводя к их короблению или локальному непро греву;

легко провести местный и избирательный нагрев;

легкая автоматиза ция оборудования – циклов нагрева и охлаждения, регулировка и удержива ние температуры, подача и съем заготовок.

Существует достаточно большое количество конструктивных решений индукционных нагревателей, в частности силовых инверторов, входящих в состав индукционного нагревателя, подробно описанных в [6, 7, 8]. При про ведении исследований разного рода металлов в лабораторных условиях с по мощью фотографического метода ТНК достаточно применение индукцион ного нагревателя обладающего следующими характеристиками (табл.).

Таблица. Характеристики индукционного нагревателя Мощность Диапазон рабо- Диапазон полу- Напряжение нагревателя, кВт чих частот, кГц чаемых темпе- питания нагре ратур, 0С вателя, В 2 60-300 500-1300 Для построения данного индукционного нагревателя использована структурная схема полумостового инвертора (рис.4), обладающего необхо димыми характеристиками, подробно описанная в [9].

Рис. 4. Структурная схема инвертора Управление ключами силового модуля осуществляется генераторами управляющих импульсов (IR2153). Усиление сигналов генераторов управля ющих импульсов осуществляется с помощью микросхем MAX4420. Схема данного блока представлена на рис.5.

Рис. 5. Схема модуля управления с трансформаторной развязкой Силовой модуль (рис. 6) содержит мощные полевые транзисторы с изо лированным затвором (IXFH30N50).

Рис. 6. Схема силового модуля Эквивалентная схема нагрузки для индукционного нагрева представлена на рис. 7. Трансформатор TR2 изготовлен из двух колец К 452812 мм (марка феррита М2000НМ). Первичная обмотка – 26 витков провода МГТФ 0,75 мм. Эта обмотка подсоединяется непосредственно к выходу инвертора.

Роль вторичной обмотки, состоящей из одного витка, выполняет одна из от водных трубок индуктора (медь, диаметр 6 мм), проходящая через центр кольца трансформатора.

Рис. 7. Эквивалентная схема нагрузки Индуктор представляет собой катушку, содержащую несколько витков (мед ная трубка диаметром 4 мм). Индуктор вместе с конденсатором C образует после довательный колебательный контур, на резонансную частоту которого должен быть настроен инвертор. Охлаждение индуктора осуществляется проточной водой.

Выводы. Рассмотренное конструктивное решение индукционного нагревателя является достаточно простым и повторяемым, а также полно стью удовлетворят требованиям установки для калибровки ЦФ и фотографи ческого метода ТНК. В свою очередь, данная конструкцию обладает и рядом недостатков. Регулирование мощности нагревателя производится путм из менения напряжения питания инвертора, данный недостаток возможно устранить путм использования частотного регулирования мощности. Вместо полумостовой схемы силового модуля возможно использование мостовой схемы, что приведт к увеличению уровня мощности нагревателя до 4 кВт в случае необходимости.

Список литературы: 1. Давиденко А.П. Применение цифровой фотографии в задачах неразрушающе го контроля / А.П. Давиденко, В.Н. Славков // Вісник Національного технічного університету «ХПІ». – Харків: НТУ «ХПІ». – 2009 – №23. 2. Давиденко А.П., Славков В.Н. Анализ современного состояния теплового неразрушающего контроля. Фотографический метод ТНК: Матеріали між нар. наук. – техн.

конф. «Автоматизація: проблеми, ідеї, рішення: Севастополь, 5-9 вересня 2011 р. /М-во освіти і науки, молоді та спорту України;

Севастоп. нац. техн. ун-т;

наук. ред. В.Я. Копп – Севастополь:, СевНТУ, 2011. – 292с. 3. Тепловые методы неразрушающего контроля [Электронный ресурс] – Режим доступа:

http://www.welding.su/library/kontrol/kontrol_113.html. 4. Слухоцкий А.Е. Установки индукционного нагрева: Учебное пособие для вузов / А.Е. Слухоцкий, В.С. Немков, Н.А. Павлов, А.В. Бамуэр;

Под ред. А.Е. Слухоцкого. – Л.: Энергоиздат. Лениград. отд-ние, 1981. – 328с. 5. Индукционный нагрев [Электронный ресурс] – Режим доступа: ru.wikipedia.org/wiki/Индукционный_нагрев. 6. Индукцион ный нагрев металлов [Электронный ресурс] – Режим доступа:

http://www.offtop.ru/gauss2k/v7_625902_1.php?of99=bnrgnu21qtpp9guom9eidf. 7. Семенов Б.Ю. Силовая электроника: от простого к сложному. – М.: СОЛОН-Пресс, 2005. – 416 с. 8. Мелешин В.И. Транзи сторная преобразовательная техника. М. Техносфера, 2005. – 632 с. 9. Простой лабораторный инвертор для индукционного нагрева [Электронный ресурс] – Режим доступа:

http://www.icct.ru/Practicality/Papers/30-03-2010/Invertor-01.php.

Статья представлена д.т.н. проф. НТУ «ХПИ» Кондрашовым С.И.

Поступила в редакцию 09.09. УДК 621.317. И.Ф. ДОМНИН, д-р техн. наук, директор, Институт ионосферы, М.М. РЕЗИНКИНА, д-р техн. наук, гл.н.с., НТЦ МТО НАН Украины, А.Е. ЧАГАН, вед. инж. электронщик, Институт ионосферы, Харьков ИСПОЛЬЗОВАНИЕ ВЫСОКОЧАСТОТНОГО НАГРЕВА ДЛЯ ОБРАБОТКИ СЛАБОПРОВОДЯЩИХ СРЕД (ОБЗОР) Проведений огляд літературних даних щодо використання високочастотного нагріву при обробці слабко провідних середовищ. Показано, що найбільш перспективним є застосування даного виду обробки при розплавлюванні асфальтово-парафінових відкладень та зменшенні в'язкості нафти.

Для вибору оптимальних режимів електромагнітного впливу на нафтопродукти пропонується використання математичного моделювання електротеплових процесів, що відбуваються.

Проведен обзор литературных данных относительно использования высокочастотного нагрева при обработке слабопроводящих сред. Показано, что наиболее перспективным является приме нение данного вида обработки при плавлении асфальтово-парафиновых отложений и уменьше нии вязкости нефти. Для выбора оптимальных режимов электромагнитного влияния на нефтеп родукты предлагается использование математического моделирования происходящих електро теплових процессов.

The review of the literary sources on usage of the high frequency heating for weakly electrical conduc tive mediums processing has been carried out. It has shown that the most perspective spheres of this type of processing usage are melting of asphalt-paraffin depositions and petrol viscosity lessening.

Elaboration of mathematical simulation tools for electrical heating processes description has been pro posed for choice of optimum modes of electromagnetic influence upon petroleum products.

Введение. Согласно [1], области использования микроволновых элек тромагнитных полей (ЭМП) могут быть разделены на несколько категорий:

1) связь и передача информации;

2) обработка и производство;

3) диагности ка и анализ;

4) медицина;

5) военная сфера. В настоящее время наиболее рас пространены две первые области применения. Основные преимущества ис пользования микроволновых ЭМП для промышленной обработки - быстрая передача тепла к обрабатываемому материалу, объемный и местный нагрев, компактность оборудования, скорость включения и выключения, а также от сутствие загрязнения окружающей среды, т.к. нет продуктов сгорания [2].

В [3] указывается, что микроволновая обработка материалов является технологией, которая позволяет использовать методы по улучшению физиче ских свойств сред;

открывает возможности для воздействия на трудные в обра ботке материалы;

уменьшает влияние технологических процессов на окружа ющую среду;

обеспечивает ряд преимуществ по сравнению с традиционными методами вследствие экономии энергии, уменьшения зоны, необходимой для проведения обработки, а также времени воздействия. Данная обработка откры вает пути производства новых материалов и микроструктур, получение кото рых другими методами невозможно. В [3] отмечается, что данный вид воздей ствия связан с некоторыми трудностями. Дело в том, что из очевидной для всех легкости микроволновой обработки продуктов питания в получивших широ чайшее распространение микроволновых печках отнюдь не следует, что другие материалы могут быть подвергнуты подобному воздействию столь же легко.

Эффективность микроволновой обработки пищи вызвана большим содержани ем в ней воды, воздействие на которую микроволнового излучения весьма эф фективно. Однако убеждение, что микроволновой обработке могут быть столь же легко подвергнуты другие среды, является ошибочным. Использование данной технологии требует выбора оптимальной частоты и мощности воздей ствующего излучения в зависимости от вида обрабатываемого материала.

Как отмечается в [3], к микроволновому излучению относятся электро магнитные волны частотой от 300 МГц до 300 ГГц. После успешного приме нения во время второй Мировой войны в радиолокационных системах, мик роволновое излучение использовалось для нагрева материалов начиная с 1946 г. Первые бытовые микроволновые печи были представлены на рынке в 1952 г. В течение следующих лет микроволновые технологии получили по всеместное распространение. Обычно системы микроволновой обработки состоят из микроволнового источника, устройства, передающего мощность в образец, и системы управления нагревом. Наиболее распространенным ис точником при использовании микроволновых технологий является магне трон;

в качестве источников при микроволновой обработке используются также триоды, тетроды, пентоды, тиратроны, клистроны [3].

Основные области промышленного применения микроволнового нагрева.

Производство керамики. Возможность обработки керамики с помощью микроволнового излучения известна с 50-х годов 20-ого века. Последующие эксперименты в этой области показали, что при такой обработке керамику можно спекать при значительно более низких температурах, чем при элек трическом резистивном нагреве. Этот феномен относят к так называемым микроволновым эффектам [1]. К таким эффектам относят также увеличение скорости активационных процессов, включающих процессы спекания, ион ный обмен, химические реакции.

Сушка древесины. Одной из областей микроволнового нагрева является диэлектрическая сушка древесины. Данный процесс осуществляется на вы соких и сверхвысоких частотах [4]. Для радиоэлектронных устройств, пред назначенных для использования в промышленности и народном хозяйстве, выделены следующие диапазоны частот: ВЧ – 13 МГц, 26 МГц, 30 МГц;

СВЧ – 433 МГц, 915 МГц, 2450 МГц [4]. При такой сушке древесины, СВЧ энер гия в камеру с пиломатериалами подводится волноводными трактами, пред ставляющими собой полые трубы прямоугольного или круглого сечения.

Наибольшее распространение в качестве источника СВЧ энергии получили магнетроны. В данном случае нагрев производится путем передачи тепла снаружи внутрь за счет теплопроводности. При рациональном подборе ча стоты колебаний и параметров камер, где происходит преобразование СВЧ энергии в тепловую, можно получить относительно равномерное выделение тепла по объему обрабатываемого тела. В [4] отмечается, что эффективность преобразования энергии электрического поля в тепло возрастает прямо про порционально частоте колебаний и квадрату напряженности электрического поля. Однако с увеличением частоты электромагнитных колебаний уменьша ется глубина их проникновения в обрабатываемый материал, поэтому для выбора оптимальных режимов требуются дополнительные исследования в зависимости от вида обрабатываемого изделия. В [4] отмечается также, что важным преимуществом СВЧ нагрева при обработке древесины является тепловая безинерционность процесса, т.е. возможность практически мгно венного включения и выключения теплового воздействия на обрабатываемый материал. В результате достигается высокая точность регулировки процесса нагрева и его воспроизводимость. Важным преимуществом СВЧ обработки древесины является также возможность осуществления и практического применения избирательного, равномерного, сверхчистого, саморегулирую щегося нагрева [4]. Проведенные исследования [5] показывают, что при мик роволновой сушке древесины снижается уровень так называемых летучих органических веществ, содержание которых в некоторых странах (например, США), строго контролируется. В [6] показано, что длительность микровол новой сушки древесины уменьшается более чем в 10 раз по сравнению с тра диционной обработкой.

Переработка отходов. Еще одной перспективной областью использова ния микроволнового нагрева является переработка отходов и мусора, в част ности шин и пластика [7]. Перспективным представляется также уничтоже ние инфекционных клинических отходов в медицинских учреждениях с по мощью микроволновых технологий [8].

Обработка нефти и нефтепродуктов. К одной из наиболее перспективных областей применения микроволновой обработки относится добыча и отбор нефти и нефтепродуктов из скважин и резервуаров. При этом используются ЭМП микроволнового и радиочастотного диапазонов. В [9] описаны экспери ментальные исследования по физическому моделированию процессов нагрева веществ различной вязкости, имитирующих нагрев нефтепродуктов.

Большой объем публикаций посвящен использованию технологий на основе микроволнового нагрева для добычи нефтепродуктов из нефтесодер жащих шельфов [10-12].

Рассматриваются также схемы микроволнового разогрева нефтепродук тов в трубопроводах. Так, в [13] показана возможность применения ВЧ и СВЧ излучения для прогрева нефтепродуктов в скважинах и участках нефте проводов, простаивающих из-за образования газогидратных и парафиновых пробок. При этом предлагается использовать введенную в трубопровод при его монтаже систему взаимодействия волн СВЧ диапазона с нефтепродукта ми, связанную электрически с источником СВЧ энергии.

Физические основы процесса микроволнового нагрева. Известно, что омический нагрев проводников микроволнами неэффективен. Это связано с крайне малой величиной скин-слоя на микроволновых частотах даже для са мых плохо проводящих металлов. В то же время, весьма эффективным может оказаться микроволновой нагрев диэлектриков, который связан с изменением ориентации индуцированных или постоянных диполей в виде реакции на из меняющееся приложенное микроволновое ЭМП. В том случае, когда ЭМП изменяется с частотой, близкой к собственной частоте, с которой может проис ходить переориентация диполей данного вещества, имеет место максимум по глощения энергии, и нагрев оказывается наиболее эффективным. Согласно [3], для достижения оптимального нагрева необходимо обеспечение сбалансиро ванного сочетания значений действительной части комплексной диэлектриче ской проницаемости обрабатываемого материала () для того, чтобы глубина проникновения в него электромагнитной волны была достаточной, и больших потерь за счет максимальных значений мнимой части. Еще одним условием для эффективной микроволновой обработки является высокая теплопровод ность обрабатываемого материала, а значит быстрая диссипация тепла в обра батываемом объеме.

Токи, приводящие к нагреву диэлектриков при воздействии на них мик роволнового излучения, зависят от комплексной диэлектрической проницае мости материала [14]:

' 0 0 ( 'r j"r ), где 0 0,885 10 11 Ф/м;

'r - относительная диэлектрическая проницаемость;

"r - мнимая часть диэлектрической проницаемости, называемая коэффици ентом диссипации или коэффициентом потерь.

Потери в диэлектрике часто характеризуют tan "r / 'r - тангенсом уг ла диэлектрических потерь.

Как отмечается в [14], основным фактором, определяющим диэлектриче ские потери на радиоволновых и микроволновых частотах, является так назы ваемая ориентационная поляризация, которая имеет место в материалах, со стоящих из молекул или частиц с постоянным дипольным моментом. Прило женное электрическое поле вызывает переориентацию диполей с частотой приложенного ЭМП в зависимости от направления вектора электрического поля. Инерционное сопротивление такому вращению вызывает механическое трение и термическое возбуждение. Таким образом, энергия электрического поля преобразуется в тепловую энергию, что и является основой для высокоча стотного нагрева диэлектриков.

Вращающаяся поляризация является не единственным механизмом ди электрических потерь в высокочастотных ЭМП. Например, существуют по тери за счет наличия проводящих включений, потери на границах раздела сред и др. Однако все эти диэлектрические потери могут быть описаны при помощи слагаемого "r. Следует отметить, что в отличие от джоулевых по терь, потери в диэлектриках являются частотно-зависимым и не могут при сутствовать в статических полях.

В [15] приводится постановка задачи расчета возбуждения в диссипа тивной среде электромагнитного поля антеннами. Выполнены также приме ры численного моделирования поля полосковой антенны. Согласно боль шинству литературных источников (см. например, [10,16,17]), задача выбора параметров микроволнового электромагнитного воздействия на диссипатив ные среды должна содержать решение уравнения теплопроводности. Для того чтобы выбрать оптимальные режимы электромагнитного воздействия на нефтепродукты, целесообразным представляется использование математиче ского моделирования происходящих электротепловых процессов. При этом необходимо учесть нелинейную зависимость проводимости нефтепродуктов от температуры их нагрева.

Заключение. Проведенный обзор литературных данных, касающихся использования высокочастотного нагрева для обработки слабопроводящих сред, показал, что наиболее перспективным представляется применение дан ного вида обработки при расплавлении асфальтово-парафиновых отложений и уменьшении вязкости нефти. Для выбора оптимальных режимов электро магнитного воздействия на нефтепродукты может быть использовано мате матическое моделирование происходящих электротепловых процессов.

Список литературы: 1. Clark D.E., Folz D.C., McGее T.D. An introduction to ceramic engineering design. - American Ceramic Society, Westerville, Ohio, USA, 2002, 446 p.

2. http://www.pueschner.com/downloads/MicrowaveHeating.pdf. 3. Materials Research Advisory Board, Microwave Processing of Materials, National Research Council, Publication NMAB-473: National Acad emy Press, 1994, 164 p. 4. Гареев Ф.Х. Сушка древесины электромагнитными волнами // Деревооб рабатывающее оборудование (ЛПИ). – 2004. - № 9 (22). - С. 74-78. 5. Wang S., Du G. Zhang Ya. Mi crowave wood drying: energy consumption, VOC emission and drying quality // Proc. of 3-d Inter American Drying Conference. – 2005. – Paper III-4. – 10 p. 6. Bartholme M., Avramidis G., Viol W., Kha razipour A. Microwave drying of wet processed wood fibre insulating boards // Eur. J. Wood Prod. – 2009.

– Vol. 67. – Р. 357–360. 7. Appleton T.J., Colder R.I., Kingman S.W., et. al. Microwave technology for energy-efficient processing of waste // Applied Energy. – 2005. – N 81. – P. 85–113. 8. Treatment Alterna tives for Medical Waste Disposal // Program for Appropriate Technology in Health Seattle (USA). – 2005.

- 18 р. (http://www.path.org/files/TS_trt_alt_med_wst_disp.pdf). 9. Kashif M., Yahya N., Zaid H.M., et. al.

Oil recovery by using electromagnetic waves // Journal of Applied Sciences. – 2011. – N 8. – P. 366-1370.

10. Балакирев В.А., Сотников Г.В., Ткач Ю.В. Микроволновые методы интенсификации добычи нефти (Обзор) // Электромагнитные явления. – 2001. – Т. 2, № 2(6). – С. 255-288. 11. Sahni A., Kumar M., Knapp R.B. Electromagnetic heating methods for heavy oil reservoirs // Proc. of Society of Petroleum Engineers SPE/AAPG Western Regional Meeting, Long Beach (CA) 62550. - 2000. – 12 p. 12. Bridges J.E., Krstansky J.J., Taflove A., et. al. The IITRI in-situ RF fuel recovery process // J. of Microwave Power.

- 1983. - V. 18, N 1. - P. 3-14. 13. Морозов Н.Н., Кашкатенко Г.В. Микроволновый разогрев нефте продуктов в трубопроводах // Вестник Мурманского Государственного Технического Университе та. – 2010. - Том 13, вып. 4. – С. 974-976. 14.. Mehdizadeh M. Microwave/RF applicators and probes for material heating, sensing and plasma generation. A design guide. - San Diego (CA), USA: Elsevier, 2010, 389 p. 15. Домнин И.Ф., Поспелов Л.А., Андреев А.Е. и др. Электромагнитные технологии модифи кации свойств диссипативных сред углеводородов // Вісник Національного технічного університету «Харківський політехнічний інститут». Збірник наукових праць. Тематичний випуск: Радиофизика и ионосфера. – Харків: НТУ «ХПІ». – 2010. – № 48. – C. 120-137. 16. Балакирев В.А., Сотников Г.В., Ткач Ю.В., Яценко Т.Ю. Разрушение асфальто-парафиновых отложений в нефтяных трубопро водах движущимся источником высокочастотного электромагнитного излучения // Журнал техни ческой физики. – 2001. – Т. 71, вып. 9. – С. 1-8. 17. Alpert Y., Je,rby E. Coupled thermal-electromagnetic model for microwave heating of temperature-dependent dielectric media // IEEE Transactions оn Plasma Science. - 1999 - Vol. 27, No. 2. - Р. 555-562.

Поступила в редколлегию 07.10. УДК 62- Н.А. ЕВСИНА, старший преподаватель кафедры АУТС, НТУ «ХПИ»

АНАЛИЗ СПОСОБОВ СУШКИ КАПИЛЛЯРНО-ПОРИСТЫХ МАТЕРИАЛОВ И МЕТОДОВ ИХ АВТОМАТИЗАЦИИ У статті на основі аналізу способів сушки КПМ для автоматизації процесу сушки вибраний кон векційний спосіб. Для зниження браку і енерговитрат запропонована 2-х контурна система управління, що включає технологічний і інтелектуальні контроллери. Останній базується на теорії нечіткої логіки.

В статье на основе анализа способов сушки КПМ для автоматизации процесса сушки выбран конвекционный способ. Для снижения брака и энергозатрат предложена 2-х контурная система управления, включающая технологический и интеллектуальные контроллеры. Последний бази руется на теории нечеткой логики.

The article introduces the analysis of drying methods for CPM (Capillary-Porous Materials). A convec tion method was chosen to automate the drying process. To reduce the spoilage and power inputs the author proposes a double-circuit control system, which integrates technological and intelligent control lers. The latter is based on the fuzzy logic theory.

Введение. На современном этапе развития промышленности и сельского хозяйства встречается множество различных способов сушки капиллярно пористых материалов (КПМ). Необходимо уточнить, что конечной задачей сушки является достижение требуемого значения выходной влажности материала. К наиболее распространенным способам можно отнести:

естественную сушку, конвекционную сушку [1], сублимационную сушку [2], акустическую сушку [3], инфракрасную и микроволновую [4]. А также применяются комбинированные способы: конвекционно-микроволновая сушка [5] и вакуумно-микроволновая сушка. В механизированных сушильных агрегатах наиболее часто встречаются технологии, основанные на трех способах: конвекционном, сублимационном и микроволновом. Суть способа сублимационной сушки заключается в предварительной заморозке продукта, а затем помещении его в вакуум. При этом происходит испарение льда, т.е. вода переходит из твердой фазы в газообразную, миную жидкую фазу.

Сублимационная сушка хорошо подходит для производства небольшого количества высококачественной продукции, если имеется возможность понести большие начальные затраты. При микроволновом способе на обезвоживаемый продукт воздействуют интенсивным электромагнитным полем сверхвысокой частоты (СВЧ). Под действием СВЧ поля молекулы воды начинают совершать колебательные и вращательные движения с выделением тепловой энергии. Таким образом, разогрев происходит во всем объеме продукта, причем более влажные участки получают больше энергии. За счет этого происходит удаление влаги и одновременно – выравнивание влажности в объеме продукта. Единственным ограничением этого способа является относительно низкий (60%) КПД преобразования энергии электрического тока в энергию СВЧ поля. В этой связи целесообразно применять этот метод при низких влажностях (ниже 50%), т.е. в том диапазоне влажностей, где энергоемкость этого метода ниже, чем у конвекционного метода.

Конвекционный способ предполагает подвод тепла к поверхности обрабатываемого продукта. Тепло может подводиться как за счет продувки нагретым воздухом, так и за счет теплового излучения. В процессе сушки тепло от поверхностных слоев передается вглубь продукта за счет собственной теплопроводности. При высоких влажностях сушка протекает эффективно, энергоемкость процесса близка к физическому пределу по испаренной влаге.

Значительно сократить продолжительность процесса, а значит, и снизить е себестоимость позволяют вакуумные технологии сушки материалов. Кроме того, возможность ведения процесса при более низких температурах позволяет исключить снижение качественных характеристик капиллярно-пористых кол лоидных тел, что особенно важно при сушке пиломатериалов из древесины ценных трудносохнущих лиственных пород или термолабильных материалов.

Однако при сушке в вакууме возникает проблема подвода тепловой энергии к высушиваемому материалу. Такие известные методы подвода теп лоты, как контактное, диэлектрическое нагревание или нагрев в СВЧ-поле не всегда позволяют получить требуемое качество или приводят к значительно му удорожанию стоимости сушильного процесса. Поэтому наиболее пер спективным направлением, как с позиций себестоимости процесса, так и с позиций качества получаемой продукции, считаются вакуумные технологии сушки с подводом тепла конвекцией, которые можно осуществлять путем чередования стадий нагрева и вакуумирования (осциллирующие технологии) или конвективной сушкой в разреженной среде. При этом в качестве тепло носителя могут быть использованы влажный горячий воздух, перегретый пар или гидрофобные жидкости.

Однако данные технологии до сих пор не имеют расчетной базы, позволяющей получить оптимальные режимные параметры процесса. Кроме того, нет четких рекомендаций по выбору той или иной технологии вакуумной сушки применительно к различным сортиментам капиллярно пористых коллоидных материалов.

Постановка задачи. Сублимационный и микроволновой способ позволяют достичь более точного значения выходной влажности материала, но требуют высокотехнологичного и сложного оборудования. А конвекционный способ хорошо подходит для сушки материала во всем диапазоне влажностей и не требует дорогостоящего оборудования, а также обладает меньшей энергоемкостью при высоких влажностях материала.

Поэтому более подробно предлагается рассмотреть методы автоматизации процесса сушки, основанные на конвекционном способе. Основными параметрами такого технологического процесса являются: температура и влажность сушильного агента, а также температура и влажность самого материала.

Как правило, при конвекционном способе используются не автоматизиро ванные сушильные системы [6, 7], в которых субъективно задают время нахождения материала в сушильном агрегате или уровень температуры су шильного агента. Из-за различных факторов, влияющих на процесс сушки, на выходе сушильного агрегата материал получается с заметным разбросом зна чения конечной влажности от требуемого. Это приводит к увеличению брака готовой продукции и повышению энергозатрат.

Снижение брака и энергозатрат может быть осуществлено за счет опти мальной системы управления исполнительными органами сушильного агре гата. Существуют системы управления температурой газов в отдельных агре гатах (в частности воздуха) в виде однопараметрических технологических контроллеров [8, 9, 10], но для сушки капиллярно пористых материалов они являются малопригодными, так как необходимо регулировать не только тем пературу сушильного воздуха, но и влажность материала в процессе сушки.

Из-за отсутствия приборов автоматического контроля влажности КПМ в ди намике отсутствуют и системы автоматического управления сушкой КПМ.

Известен метод косвенного контроля и прогнозирования влажности на выходе сушильного агрегата для макаронных изделий по разности темпера тур сушильного воздуха в двух точках по ходу движения макарон [11]. Ис пользуя этот метод авторами предложен подход к созданию системы управ ления сушкой КПМ, который в общем виде заключается в построении 2-х контурной системы управления, причем первый контур (технологический контроллер) осуществляет регулирование скорости движения КПМ в зависи мости от прогнозируемой влажности на выходе агрегата, а второй контур осуществляет регулирование температуры сушильного воздуха в случае, ко гда первый контур не дает положительных результатов [12]. Так как второй контур осуществляет циклические изменения температуры в виде нечетких, расплывчатых значений (больше меньше и т.д.), то для его реализации пред полагается использовать аппарат нечеткой логики [13], т.е. второй контур является интеллектуальным контроллером.

Для этого контроллера могут быть использованы для операции фазифи кации функции принадлежности типа [14]:

х ехр (а( х b 2 )), (1) где а и b – соответственно ширина и координата пика функции принадлежно сти.

А в качестве правил вывода следующие правила:

Правило 1: если х есть Х1, то у есть У1;

Правило 2: если х есть Х2, то у есть У2;

(2) Правило k: если х есть Хm, то у есть Уn.

Здесь х – входная лингвистическая переменная;

Х – терм-множество лингвистической переменной х;

у – выходная лингвистическая переменная;

У – терм-множество лингвистической переменной у;

k – количество правил вывода;

m – количество терм в терм-множестве Х;

n – количество терм в терм-множестве У;

При нескольких значениях выходной лингвистической переменной нами предлагается использовать в качестве результирующей переменной, полу ченной с помощью функций нечеткого минимума. Диапазоны изменения входных параметров в функции принадлежности и количество правил вывода окончательно уточняются, в соответствии с (2) в процессе эксперименталь ных исследований описанной 2-х контурной системы управления на имита ционной модели.

Заключение. Способ автоматического управления процессом сушки КПМ, имеющий в своем составе технологический контроллер и интеллекту альный контроллер на основе нечеткой логики, ускоряет время переходного процесса, что позволит снизить брак выходного продукта, а следовательно и энергозатраты в процессе сушки.

Список литературы: 1. Патент RU №2101978, МПК А23L001/16. Способ сушки макарон ных изделий/ В.Е. Тукачев (РФ) – опуб. 20.01.98 Бюл. №2 2. Патент RU №2111672, МПК A23B004/037 A23L003/44 F26B005/06. Способ вакуумной сублимационной сушки/ Л.П. Тимкин, Б.Н. Семенов, Р.Г. Суляев, М.А. Насыров, А.С. Бобер, В.Е. Иванов (РФ) – опул. 27.05.98 Бюл.

№15. 3. Патент RU №2062416, МПК F26B005/02. Способ акустической сушки капиллярно пористых материалов/ В.Н. Глазнев, А.Б. Глинский (РФ) – опубл. 20.06.96 Бюл. №17. 4. Патент RU №2133934, МПК F26B003/347. Способ сушки материалов/ С.В. Редькин, В.В. Аристов (РФ) – опуб. 27.07.99 Бюл. №21. 5. Патент RU №2101630, МПК F26B003/347. Способ комбинированной сушки пиломатериалов/ В.Н. Громыко, В.П. Галкин (РФ) – опуб. 10.01.98 Бюл. №1. 6. Чернов М.Е.

Макаронное производство. М.: МИР. 1994 - 208 с. 7. Медведев Г.М. Современные режимы и способы сушки макаронных изделий. Обзорная информация. Серия: Хлебопекарная и макаронная про мышленность. ЦНИИТЭИ. Хлебинформ. М.: 1996 - 40 с. 8. Патент RU №217228, МПК F26B025/22.

Способ автоматического управления процессом сушки/ И.Т. Кретов, А.А. Шевцов, И.В. Лакомов (РФ) – опубл. 10.08.98 Бюл. №22. 9. Патент RU №2150642, МПК F26B025/22.. Способ автомати ческого управления процессом сушки/ И.Т. Кретов, А.А. Шевцов, Ю.В. Ряховский (РФ) – опубл.

10.06.00 Бюл. №16. 10. Патент RU №2108523, МПК F26B025/22.. Способ автоматического управления процессом сушки продукта в сублимационной сушилке/ А.А. Шевцов, М.Н. Шахова, Ю.Н. Золотарев (РФ) 10.04.98 Бюл. №10. 11. Патент RU №2186500, МПК А23L1/16. Способ производства макаронных изделий/ В.О. Андреев, А.И. Суздальцев, С.Е. Тиняков (РФ) – опубл.

10.08.02 Бюл. №22. 12. Суздальцев А.И., Замяткин А.В. Метод автоматизированного управления сушкой капиллярно-пористых материалов // Материалы международной научно-технической конференции «Приборостроение 2004» Винница – Ялта, 2004, с 327-331. 13. Прикладные нечет кие системы. Под редакцией Т.Тэрано, К.Асот, М.Сгэно, перевод с японского Ю.Н. Чернышова.

М. Мир, 1993 г., 263 с. 14. Гумбатов Р.Т. Методология построения системы управления биохи мической очисткой сточных вод с применением технологии искусственного интеллекта // При боры и системы управления. №11, 1999, с.49.

Поступила в редколлегию 09.10. УДК 621. Е.А. ЗВЯГИНЦЕВА, магистр НТУ «ХПИ», А.В. ДУДНИК, ст. преподаватель НТУ «ХПИ»

ПРИМЕНЕНИЕ РЕКУРРЕНТНЫХ НЕЙРОННЫХ СЕТЕЙ ДЛЯ ИДЕНТИФИКАЦИИ ПАРАМЕТРОВ ДПТ В статті розглянуто модель двигуна постійного струму, що побудована як рекурентна нейронна мережа у просторі станів. Виведено співвідношення між параметрами двигуна та ваговими кое фіцієнтами мережі. Проведене моделювання.

В статье рассмотрена модель двигателя постоянного тока, что построенная как рекуррентная нейронная сеть в пространстве состояний. Выведено соотношение между параметрами двигателя и взвешивающими коэффициентами сети. Проведенное моделирование.

The application of neural network is discussed in this article. The neural network model for DC motor in state space was obtained and modeled. Several equations for weight coefficients and motor parame ters were obtained too.

Постановка проблемы. В условиях современного производства, когда проблема энергосбережения стоит весьма остро, электропривод остатся од ним из основных потребителей электроэнергии. По некоторым оценкам, на долю электропривода в Украине приходится более 60% затрат [1]. Снижать процент потребляемой энергии можно двумя путями: внесением изменений в производственный процесс (повышение его технологичности) и снижением потерь во время переходных процессов (техническое решение). Снижение затрат при переходных процессах особенно актуально для приводов, работа ющих в режимах частых пусков-остановок и реверсов (экскаваторы, прокат ные станы, системы наведения вооружения танков и т.д.). При этом задачу снижения потерь энергии следует решать совместно с обратной ей задачей повышения производительности. Это приводит к необходимости создания оптимальных систем, зачастую реализующих сложные алгоритмы управле ния.

Анализ литературы. Среди множества различных классов электропри вода по прежнему эксплуатируется привод постоянного тока, благодаря ли нейности характеристик, широкому диапазону регулирования скоростей и простому управлению. Правильная организация токовых диаграмм во время переходных процессов – суть алгоритма оптимального по затратам энергии управления [2]. Однако параметры двигателя, на точном знании которых строится алгоритм управления, подвержены изменениям, что объясняется явлениями намагничивания-размагничивания, нагревом и т.д. Изменения параметров требуют существенной коррекции алгоритмов управления, и кор рекцию эту следует выполнять в процессе работы привода, что является сложной задачей. Одним из вариантов решения этой задачи является рекур рентная нейронная сеть. Такая сеть, будучи использована в качестве модели объекта, благодаря своей способности к обучению, сможет не только отсле живать изменения в работе объекта, но и позволит выполнять идентифика цию его параметров. Рекуррентные нейронные сети Элмана, отображающие объект в пространстве состояний, позволяют с высокой точностью моделиро вать линейные и нелинейные объекты[3,4,5]. Особенностью таких сетей яв ляется строгая аналитическая зависимость между их весовыми коэффициен тами и физическими параметрами моделируемого объекта.

Цель статьи. В данной работе предложено решение задачи идентифи кации параметров ДПТ путем использования рекуррентной нейронной сети.

Модель ДПТ в пространстве состояний. Рассмотрим модель двигателя постоянного тока, без учта тиристорного выпрямителя. Модель такого объ екта представлена на рис. 1.

Mc 1/R i w cF 1/J s Te.s+ U Gain1 Gain Integrator Transfer Fcn cF Gain Рис. 1. Модель ДПТ. Входные воздействия U – управляющее напряжение, Mc – мо мент сопротивления на валу;

выходные величины i – ток якоря, – скорость враще ния;

параметры R – активное сопротивление цепи якоря, Te – постоянная якорной цепи, J – приведенный к валу двигателя момент инерции, c – произведение кон структивной постоянной на номинальный магнитный поток.

Описывается ДПТ следующей хорошо известной системой уравнений:

di U Ri L dt c;

(1) J d ci M.

dt c Поскольку для построения нейронной сети нас интересует представле ние объекта в пространстве состояний, то выполним нормальное преобразо вание системы (1) к известному виду:

x Ax Bu;

(2) y Cx, где x – вектор переменных состояния;

y – вектор выходных переменных;

u – вектор входных воздействий;

A, B, C – матрицы состояния, управления и выхода соответственно. Дальнейшее рассмотрение будем вести, опираясь на методику, изложенную в [5]. Так как выполняется нормальное преобразова ние, то переменные состояния будут представлять собой физические величи i ны. Ими будут i и, т.е. x. В этом случае x y, т.е. выходные вели 1 чины совпадают с переменными состояния, и матрица C. Следова 0 тельно, далее будем рассматривать только первое уравнение из (2). Вектор входных воздействий включает в себя управляющее напряжение и момент u сопротивления на валу, т.е. u.

M c Далее запишем оба уравнения системы в форме Коши, при этом в пра вой части каждого из них отобразим все составляющие вектора состояний и входных воздействий со своими коэффициентами. Получим:


c di 1 dt T i RT RT u 0 M c ;

e e e (3) d c i 0 0 u M c.

dt J J Учитывая выше сказанное, полученная система (3) представляет собой первое уравнение системы (2), записанное в развернутом виде. Следователь но, можем определить матрицы A и B:

c 1 1 T RT RTe A e, B e. (4) c J J Модель ДПТ в виде рекуррентной нейронной сети. Нейронная сеть реализуется дискретно, следовательно, первое уравнение системы (2) примет вид x(n) Ax(n) Bu(n), (5) где n – номер отсчта. Пусть T – период дискретизации, тогда производ ная переменных состояния с прогнозированием на шаг вперд будет опреде x(n 1) x(n) ляться как. Подставив значение производной в (5) и приведя T подобные, получим x(n 1) I TAx(n) TBu(n), (6) где I – единичная матрица.

Из (6) можно определить весовые коэффициенты рекуррентного слоя нейронной модели:

– коэффициенты для переменных состояния LW I TA ;

– коэффициенты для управляющих сигналов IP TB.

Подставив определнные ранее значения матриц A и B, получим значе ния весовых коэффициентов для нейронной модели ДПТ:

T c T T 1 T RTe RT LW, IW e.

e (7) T c T 1 J J Разрабатываемая модель будет иметь вид сети Эльмана с двумя нейро нами в 1-м рекуррентном слое и двумя нейронами в выходном слое. Функции активации для обоих слов линейные. Весовые коэффициенты для рекур рентного слоя берм из (7), а для выходного слоя – из выше описанной мат рицы C (т.е. единичные коэффициенты). Модель ДПТ, реализованная как рекуррентная нейронная сеть представлена на рис. 2.

w(n) w(n+1) z Unit Delay i(n+1) i(n) z Unit Delay -K i(n+1) LW z -K- Unit Delay purelin purelin LW w(n+1) -K z LW Unit Delay purelin1 purelin -K Скрытый слой 1 Скрытый слой LW -K IW -K IW -K U IW -K Mc IW Рис. 2. Рекурсивная нейронная сеть в MATLAB Два элемента запаздывания, которые расположены на выходе модели, выполняют функцию согласования по времени с результатами схемы, приве денной на рис. 1.

Моделирование выполним для параметров ДПТ, указанных в табл. Там же приведены значения ошибок по току и скорости вращения, полученные на нейронной сети.

Таблица. Параметры ДПТ и ошибки моделирования Ошибка по Ошибка по J, кГм R, Ом T e, с c, Вс скорости току якоря вращения 0,553 0,212 0,105 0,583 2,25 % 1,57 % 0,476 0,159 0,144 0,634 3,19 % 1,19 % Как видно из таблицы, погрешность по току не превышает 3,2%, а по скорости — 1,6%, что обеспечивает достаточную точность моделирования.

Учитывая, что в реальном объекте параметры изменяются, то важным становится вопрос об изменении весовых коэффициентов модели. Весовые коэффициенты будут корректироваться по мере отклонения параметров ДПТ от своих исходных значений – в этом проявляется замечательное свойство нейронных сетей. Далее по весовым коэффициентам определяются текущие значения параметров ДПТ. Соотношения для этого получаются из (7) и имеют вид:

1 LW11 LW T T Te ;

J ;

R ;

c.

1 LW11 IW22 IW12 IW Выводы. Рассмотрена рекуррентная модель ДПТ, характеризующаяся высокой точностью. Были выведены соотношения для определения парамет ров ДПТ по весовым коэффициентам модели.

Дальнейшие исследования будут направлены на рассмотрение алгорит ма обучения рекуррентной нейронной сети.

Список литературы: 1. Клепиков В.Б., Розов В.Ю. О роли электропривода в решении проблем энергосбережения в Украине // Вестник НТУ «ХПИ»: сборник научных трудов «Проблемы ав томатизированного привода. Теория и практика». – Харьков – 2008, № 30 – с. 18-21. 2. Дудник О.В. Оцінка можливостей енергозаощадження в позиційних електроприводах постійного струму // Вестник НТУ «ХПИ»: сборник научных трудов «Новые решения в современных технологиях».

– Харьков – 2002, № 6, Т.2 – с. 141-147. 3.Орловский И.А. Нахождение параметров нелинейных регуляторов в системах электропривода с использованием искусственного интеллекта // Техніч на електродинаміка «Проблеми сучасної електротехніки» – 2006 – Ч.7 – с. 57-62. 4. Орловский И.А. Определение параметров привода постоянного тока в режиме ограничения тока якоря // Електротехніка та електроенергетика. – 2002 – № 1 – с. 63-66. 5. Орловский И.А. Модель тири сторного электропривода постоянного тока на рекуррентных нейронных сетях// Радіоелектроні ка, інформатика, управління. – 2006 – № 1 – с. 151-159.

Поступила в редколлегию 07.04. УДК 519.688, 519. А.А. ЗУЕВ, ст. преподаватель НТУ "ХПИ", Д.А. ГАПОН, ст. преподаватель НТУ "ХПИ" ОСОБЕННОСТИ ФИЗИЧЕСКОГО МОДЕЛИРОВАНИЯ ГУСЕНИЧНОГО ДВИЖИТЕЛЯ В ТРЕНАЖЕРНЫХ КОМПЛЕКСАХ Стаття присвячена розробці математичних основ моделювання в реальному масштабі часу руху гусе ничної техніки по довільній поверхні, з урахуванням фізичних і механічних властивостей поверхні.

Наведено основні формули і співвідношення, а також алгоритм функціонування моделі руху з висо ким ступенем реалістичності, яку можливо реалізувати на сучасних обчислювальних засобах.

Статья посвящена разработке математических основ моделирования в реальном масштабе вре мени движения гусеничной техники по произвольной поверхности, с учетом физических и меха нических свойств поверхности. Приведены основные формулы и соотношения, а также алгоритм функционирования модели движения с высокой степенью реалистичности, которую возможно реализовать на современных вычислительных средствах.

This article is devoted to the development of mathematical foundations of modeling real-time traffic tracked vehicles on any surface, taking into account the physical and mechanical properties of the sur face. The basic formulas and relations, as well as the functioning algorithm of the model with a high degree of realism that can be implemented in today's computing hardware are given.

Постановка проблемы. Высокая производительность современных вы числительных средств позволяет обрабатывать достаточно сложные матема тические алгоритмы в реальном времени. Одним из прикладных направлений такого моделирования можно считать создание различных тренажерных средств и комплексов, в основе которых лежит виртуальная модель техниче ских средств и их взаимодействия с окружающим миром. Применение тре нажеров боевой техники позволяет не только многократно снизить стоимость обучения, но и выработать навыки, связанные с ситуациями которые крайне сложно или невозможно воссоздать в реальном мире. При этом достовер ность моделирования играет ключевую роль в качестве обучения.

При моделировании гусеничной военной техники одной из наиболее важных и сложных задач, является описание реалистичного движения техни ки по различным поверхностям с учетом их геометрических и механических свойств. Большую часть времени в боевой обстановке движение осуществля ется по различным естественным грунтам, однако необходимо также учиты вать случай искусственных поверхностей, таких как асфальтовое или бетон ное покрытие.

Анализ литературы. Достаточно полное математическое описание гу сеничного движителя и его взаимодействия с поверхностью дано в [1]. Одна ко данное описание предназначено для выполнения инженерных расчетов и не может быть применено для моделирования движения с помощью вычис лительной техники в реальном времени.

Модель, приведенная в [2], имеет наименьшую вычислительную слож ность. Так, для гусеничного движителя уравнение моментов приложенных к ведущим колесам, ленивцам и опорным каткам при движении по горизон тальной поверхности имеет следующий вид:

, (1) где - реакция почвы направленная по движению машины, - лобо вое сопротивление, возникающее вследствие прессования почвы, - мо мент всех сил трения в движителе, - момент сопротивления перекатыва нию, - момент касательных сил инерции деталей гусениц, редуцирован ных к ведущему колесу.

При высокой удельной мощности, характерной для современной гусе ничной военной техники, без значительного ущерба для достоверности моде ли можно пренебречь значениями и. Такая модель, также, позволяет провести инженерный расчет, однако не пригодна для моделирования дви жения по ландшафту сложной формы, содержащему различные типы грунтов и поверхностей.

Физическая модель, рассмотренная в [3] основана на модели Ф.А. Опей ко:

, (2) где – площадь контакта с поверхностью,, - текущие координаты элементарной площадки пластины;

- коэффициен, ты трения скольжения в точке,, связанные годографом;

- нормаль ное давление на площадке в точке, ;

– координаты центра вращения.

При этом предполагается, что трение анизотропно.

Несмотря на то, что такая модель является наиболее точной из рассмот ренных, она требует значительных затрат вычислительной мощности. При этом необходимо аналитическое определение свойств поверхности в каждой точке ее взаимодействия с движителем, что в общем случае невыполнимо.

Наиболее приемлемым В литературе же посвященной физическим моделям, применяемым в интерактивных развлекательных приложениях, рассматриваются лишь общие принципы построения физических моделей [4].

Цель статьи. Усовершенствование некоторых элементов математиче ской модели гусеничного движителя, связанных с учетом свойств поверхно сти, по которой осуществляется движение, а также различных механизмов и узлов, влияющих на характер движения – таких как фрикционы, тормоза, трансмиссия и т.д.

Основной раздел. Основной проблемой при моделировании является учет сил трения и взаимодействия гусеницы с поверхностью. Эти силы рас пределены по всей поверхности соприкосновения движителя с грунтом. При чем, как указано в [3] коэффициенты сцепления могут быть разными для каждой точки соприкосновения, что требует вычисления громоздких инте гральных уравнений. Однако в большинстве случаев такой подход является избыточным, поэтому вычислительная модель может быть значительно упрощена. Следует учитывать, что в реальных ландшафтах однородные по верхности имеют значительные протяженности, границы переходов между различными типами поверхности размыты, а коэффициенты сцепления отли чаются незначительно. Тогда, можно принять, что для всей поверхности од ного конечного элемента движителя (колесо, трак) сила давления на грунт и тип грунта совпадают, и вместо распределенных сил использовать одну об щую, приложенную в геометрическом центре площадки контакта элемента движителя и грунта. Что позволит вместо интегральных уравнений приме нять достаточно простые алгебраические зависимости.


Силы взаимодействия с поверхностью по своей природе являются силами трения и зависят от множества факторов, таких как: свойства движи теля, сила давления на грунт, тип грунта, его влажность и т.д. Эти силы направлены на устранение разности скоростей между движителем и поверх ностью.

В первом приближении можно считать, что сила трения при скольжении прямо пропорциональна произведению разности скоростей на давление движителя на грунт :

, (3) где - коэффициент, зависящий от свойств грунта и движителя, площадь контакта.

При отсутствии скольжения сила трения будет равна по модулю и про тивоположной по направлению силе, направленной на смещение объекта относительно поверхности. В этом случаем может быть определено только максимальное значение, при превышении которого происходит переход в скольжение:

, (4) где - коэффициент сцепления при отсутствии скольжения.

В реальности сила давления на грунт будет определяться силой реакции подвески, так для колесного движителя можно записать:

, (5) и, следовательно:

. (6) В случае гусеничного движителя сила реакции подвески будет распре деляться между несколькими траками, на которые опирается соответствую щий каток, тогда, считая, что давление для каждого из траков одинаково:

, (7) где - число траков. Так число траков, взаимодействующих с поверхно стью, как правило, велико, то такая модель достаточно точно будет отражать характер движения независимо от наличия или отсутствия границ и перехо дов между различными грунтами. Очевидно, что эту же формулу можно ис пользовать и для колесного движителя, считая.

Коэффициент трения может быть определен как:

, (8) где - составляющая, определяемая свойствами грунта, а - свой ствами движителя.

Коэффициенты сцепления для различных грунтов можно получить из справочников [1, 2].

Далее следует учесть, что для большинства движителей коэффициенты сцепления в направлении движения, и в перпендикулярном направлении от личаются. Тогда, согласно принципу суперпозиции, силы трения могут быть разделены на две ортогональные составляющие - продольную и - по перечную, которые будут отличаться только коэффициентами трения движи теля и соответственно:

, (9) где - проекция скорости на продольную ось техники, - на попе речную.

Для достижения более высокой степени реалистичности моделирования следует также учитывать различие в коэффициентах трения покоя и скольже ния. В качестве начального используется коэффициент трения покоя (качения).

Если на каком либо такте сила сцепления становится недостаточной, и возни кает скольжение, то в качестве расчетного принимается коэффициент сцепле ния скольжения. Возврат к первоначальному коэффициенту происходит при условии, что сила трения скольжения превышает уровень, необходимый для того, чтобы полностью исключить смещение движителя относительно грунта.

Следует также учитывать, что при выполнении поворота вся поверхность гусе ниц также переходит в режим скольжения, что влияет на коэффициенты сцеп ления как в продольном так и в поперечном направлении.

При движении техники, независимо от наличия или отсутствия сколь жения, на движитель действуют силы, направленные на замедление движе ния. Эти силы зависят от скорости движения (вращения) и могут быть описа ны некоторым интегральным коэффициентом, называемого коэффициен том перекатывания [2] для каждого из типов грунтов. В простейшей модели сила сопротивления будет прямо пропорциональна скорости движения тех ники и силе давления движителя на грунт. Поскольку разные элементы движителя могут взаимодействовать одновременно с несколькими типами грунтов, то и коэффициент для них может отличаться, и, следовательно, силу также следует учитывать для каждого из элементов в отдельности:

. (10) Таким образом, для реалистичного моделирования движения техники по ландшафту необходимо иметь набор грунтов, описываемых коэффициентами трения покоя, трения скольжения и сопротивления отдельно для каждого из моделируемых типов движителя (колесный, гусеничный). Также, при необходимости, эти коэффициенты могут быть реализованы как функции влажности, что позволяет реалистично моделировать влияние погодных фак торов (осадков).

В состав сил взаимодействия движителя также входят силы, приво дящие технику в движение. Одна из наиболее простых моделей может быть построена на основе алгоритма перераспределения кинетических импульсов.

Пусть известна тяговая характеристика силовой установки техники. Тогда для определения энергии, приводящей технику в движение на каждом такте, расчет может быть разбит на следующие этапы:

1) расчет скорости вращения движущихся частей силовой установки, так, как если бы силовая установка не имела связи с движителем, и вся выра батываемая энергия накапливалась бы во вращающихся частях;

2) расчет скорости вращения движущихся частей силовой установки на основе текущей скорости движителя, с учетом передаточных чисел всех промежуточных узлов трансмиссии, без учета вырабатываемой энергии си ловой установки;

3) нахождение вращающего момента определяемого полученной разно стью скоростей ;

4) перераспределение полученного вращающего момента между массой всей техники и вращающимися частями силовой установки, с учетом передаточных коэффициентов промежуточных звеньев трансмиссии.

Для нахождения разности моментов по пункту 3 приведенного алгорит ма можно воспользоваться соотношением:

, (11) где - момент инерции вращающихся частей двигателя, - некоторый приведенный момент инерции техники, определяемый массой техники и ра диусом качения колеса, - результирующий передаточный коэффициент трансмиссии.

Далее полученный момент ограничивается сверху фрикционами и дви жителем, то есть:

, (12) где - момент, который может быть передан фрикционом за одну дискрету времени, - момент, который может быть реализован движителем за одну дискрету времени.

После этого, выполняется замедление вращения частей силовой уста новки на величину полученного момента, и эта же величина применяется в виде импульсов, распределенных по поверхности контакта движителя и ландшафта. Вследствие этого, работу всех сил взаимодействия также сле дует рассматривать в виде набора импульсов, действующих на технику в ме стах соприкосновения движителя и грунта.

Выводы. Основным преимуществом такого алгоритма является возможность учета различных дополнительных условий. Очевидно, что величина момента, ко торый может быть передан от силовой установки к движителю, ограничена сверху силами трения движителя и грунта. При превышении сил сцепления может возни кать явление пробуксовки движителя. Кроме того, аналогичным образом, момент ограничивается трансмиссией и, в частности, системой фрикционов. Без учета этих систем, например, невозможно корректно реализовать работу педалей механика водителя в процессе трогания с места или при переключении передач. При этом затраты вычислительной мощности позволяют моделировать в реальном времени одновременно несколько десятков гусеничных машин на одном неспециализиро ванном процессоре.

Список литературы: 1. Балдин В. А. Теория и конструкция танков// В. А. Балдин. Академия броне танковых войск им. Малиновского. Изд. академии. - М.: 1972. - 781 с. 2. Машиностроение. Энцик лопедический справочник. В 15 томах. Том 11. А. Д. Абрамович, С. И. Березовский, Н. Ф. Вержбиц кий. Государственное научно-техническое издательство машиностроительной литературы. Москва, 1948. – 456 с. 3. Кондаков С. В., Черепанов С. И. Моделирование взаимодействия гусениц с грунтом при неустановившемся повороте быстроходной гусеничной машины // Вестник ЮУрГУ. Серия «Машиностроение». – 2008. – Вып. 12 – № 23 (123). – Челябинск : Изд. ЮУрГУ. – С. 26–31. 4. Ко гнер Д. Физика для разработчиков компьютерных игр. Пер. с англ. А.С. Малявко. – М. : БИНОМ.

Лаборатория знаний, 2007. – 520 с.

Статья представлена д.т.н. проф. НТУ «ХПИ» Качановым П.А.

Поступила в редакцию 1.11. УДК 621. А.В. ИВАШКО, канд. техн. наук, проф. НТУ «ХПИ», А.И. ПОТАПЕНКО, аспирант НТУ «ХПИ»

АЛГОРИТМЫ ВЫДЕЛЕНИЯ ОБЪЕКТОВ НА ИЗОБРАЖЕНИИ У статті розглянути алгоритми виділення об‘єктів на статичних зображеннях. Проведено порівняльний аналіз методів виділення об‘єктів з навчанням по прецедентах. На основі експерименту висунуті припущення щодо оптимального алгоритму пошуку об‘єктів.

В статье рассмотреть алгоритмы выделения объектов на статических изображениях. Проведен сравнительный анализ методов выделения объектов с учебой по прецедентам. На основе эксперимента выдвинутые предположения относительно оптимального алгоритма поиска объектов.

The algorithms for object detection on static images are considered in the article. Comparative analysis of the machine-learning object detection methods is carried out. Assumption about the optimal detection algorithm is made on the basis of experimental investigations.

Задачей систем компьютерного зрения является анализ снимаемой с датчиков видеоинформации и получение символьной интерпретации, опре деляющей характер изображений, присутствующих в сцене, и выявление сравнительного пространственного взаимоположения объектов.

Одной из важных частных задач машинного зрения является задача рас познавания объектов на изображениях, то есть определения, является ли предъявленное изображение отображением интересующего нас объекта. Рас познавание объектов является, в общем случае, некорректно поставленной задачей (легко представить два объекта разной природы, одинаково выгля дящих на изображении). Люди распознают множество объектов на изобра жениях с незначительными усилиями, несмотря на то, что вид объектов мо жет изменяться в зависимости от точки наблюдения, удаления, угла зрения, освещения и т.д. Объекты можно распознать, даже если они частично скрыты из вида. Но для систем компьютерного зрения такая задача до сих пор явля ется не до конца решенной.

Рассмотрим различные таксономии для методов классификации в распо знании образов. К настоящему времени ни одна из них не имеет бесспорного преимущества по сравнению с конкурентами. Наиболее принципиальная дихотомия проходит между статистическими и синтаксическими классифи каторами.

Статистические методы принятия решения могут быть далее разделены различными путями, в зависимости от тех свойств, которым мы хотим уде лить особое внимание. Одна из часто используемых дихотомий – противопо ставление параметрических и непараметрических методов. В параметриче ских методах особая функциональная форма подразумевается как функция плотностей вектора свойств, в то время как непараметрические методы ссы лаются непосредственно на доступные данные. Используются также полупа раметрические методы, которые пытаются объединить лучшие качества обо их подходов, используя ограниченное число адаптируемых параметров в за висимости от внутренней сложности данных.

Часто используется также деление на нейронные и классические стати стические методы. Это имеет смысл, только, если мы хотим рассматривать эти методы как полностью не связанные конкурирующие подходы. Другая крайность - это рассмотрение нейронных методов только как особый итера тивный подход для получения классических результатов традиционных ста тистических методов.

Нейронные методы могут быть дополнительно охарактеризованы по процессу обучения: алгоритмы с учителем нуждаются в заранее классифи цированных данных для обучения, в то время как алгоритмы без учителя могут также использовать некатегоризированные данные. Ввиду природы процесса классификации, в большинстве случаев применимы только алго ритмы с учителем.

Методы распознания Параметрические Полу Статистические Синтаксические параметрические Непараметрическ Классические ие Нейронные статистические «Без «С учителем»

учителя»

· «Наивный» Байес · Байесовская сеть · Гибкие шаблоны · Нейронные сети · Анализ контуров · Метод опорных векторов · ·...

SNoW · Усиление слабых классификаторов Рис. Методы распознания изображений Может возникнуть вопрос, почему мы предпочитаем именно статисти ческие методы всем остальным. На самом деле, как с прагматичной, так и с теоретической точек зрения, преимущества статистических методов весьма убедительны:

- Сигналы с сенсоров и их характерные свойства проявляют вероятност ный характер из-за шумов датчиков, изменяющихся условий освещения и ошибок алгоритмов предварительной обработки кадра;

- В общем случае, системы выделения объектов должны использовать всю имеющиеся источники информации, в том числе априорные знания и эмпирические данные. Требуется унифицированная математическая форму лировка объединяющая все компоненты. В статистических алгоритмах, априорные знания кодируются в априорных вероятностных характеристиках объектов или их множественного появления в более сложных сценах (веро ятностное моделирование сцены).

Стохастические свойства эмпирических данных суммируются в вероят ностных коэффициентах характеризующих классы объектов. Согласно Байе совской теореме апостериорные данные объединяют в себе априорные дан ные и вероятностные характеристики классов в общем случае с помощью простого умножения;

- Еще одним фундаментальным аргументов в пользу статистических ме тодов является то, что теория принятия решений гарантирует оптимальность Байесовских классификаторов, которые максимизируют апостериорные ве роятности. Все классификаторы стремятся обеспечить модели для расчета (теоретически) оптимальных решений. Это соответствует аппроксимации апостериорной информации полученной из заданных данных для обучения.

Использование статистических методов является прямым и наиболее есте ственным решением;

- Структуры алгоритмов обучения могут использовать обширные ресур сы статистики и теории статистического обучения. Если, к примеру, оценки апостериорных распределений основаны на параметрических функциях плотностей вероятности, то могут использоваться стандартные методики оценки параметров.

В дополнение к этим общим и фундаментальным преимуществам, веро ятностный подход предлагает некоторые полезные инструменты для упро щения и увеличения вычислительной разрешимости;

объединение независи мых предположений о наблюдаемых характерных чертах ведет к компромис сным решениям и прокладывает путь к разрешению противоречия между вычислительной эффективностью и подробностью моделей, которая должна обеспечит достаточную дискриминантную способность. Избавляясь от слу чайных переменных путем их интеграции, мы снижаем сложность, получаем возможность использования вероятностных моделей при неполных входных данных, и обеспечиваем методику для задания схем распознания с иерархи ческими моделями.

Мы получим оптимальный классификатор, если сможем охарактеризо вать статистические параметры объектов появляющихся в данных с сенсоров.

Но обычно это весьма нетривиальная задача, которая сводится к фундамен тальной проблеме определения и вычисления апостериорных данных на ос нове эмпирических данных. Без соответствующих вероятностных моделей и аккуратной аппроксимации апостериорных данных невозможно реализовать оптимальную систему выделения объектов.

Распознавание "снизу-вверх" использует инвариантные свойства изоб ражений объектов, опираясь на то предположение, что если человек может без усилий распознать тот или иной объект на изображении независимо от его ориентации, условий освещения и индивидуальных особенностей, то должны существовать некоторые признаки присутствия объектов этого типа на изображении, инвариантные относительно условий съемки. Алгоритм ра боты методов распознавания "снизу-вверх" может быть кратко описан сле дующим образом:

1 Обнаружение элементов и особенностей, которые характерны для изображения объекта;

2 Анализ обнаруженных особенностей, вынесение решения о количе стве и расположении объектов;

На основе обнаруженных характерных свойств формируется модель класса объектов. Модель строится автоматически по заранее собранному набору прецедентов - изображений, для которых известно, являются ли они изображениями объекта или нет. Наблюдением в данном случае, является некоторый «вектор признаков», полученный из исходного изображения неко торым преобразованием, отображающим изображения в пространство дей ствительных векторов. Гипотеза, подлежащая проверке, - принадлежность изображения к классу изображений искомого объекта.

Таким образом, система распадается на два модуля: модуль преобразования изображения в вектор признаков и модуль классификации. Задачей модуля преоб разования является наиболее полное и информативное представление изображения в виде числового вектора. Задачей модуля классификации является проверка гипо тезы принадлежности изображения классу изображений объекта на основании наблюдения, которым является вектор признаков.

Модуль преобразования и модуль классификации тесно связаны. Глав ная цель модуля преобразования – представить изображение в форме наибо лее удобной для модуля классификации. Основные требования, предъявляе мые к модулю преобразования: скорость, наиболее полное и информативное представление данных, масштабируемость. Также является желательной ин вариантность модуля преобразования к деформациям и пространственным искажениям объекта.

Проанализируем существующие методы классификации c обучением по прецедентам, применимые к задаче распознавания объектов на изображени ях. Данные методы выбраны к рассмотрению, ввиду их общности и много обещающих результатов в реальных системах.

Опишем формальную постановку задачи для модуля классификации:

Вектор признаков x X R - является описанием объекта, которое по n ставляется модулем преобразования.

Классом будем называть некоторое подмножество K y x X y x y множества X. Пусть y Y Z - множество маркеров классов, будем рас сматривать случай бинарной классификации, то есть Y={–1;

+1}. Примени тельно к задаче распознавания объектов подразумевается два варианта – изображение есть изображение искомого объекта или какого-либо другого.

X y Y - отображение, определнное для всех x X, задающее разбиение * X на подмножества Ky, которые могут пересекаться. Причина возможности пересечения классов, заключается в том, что вектор признаков есть всего лишь описание объекта, а не сам объект: описание может быть неточным и для двух разных объектов описания могут совпадать.

Обучающей выборкой называется набор пар (набор прецедентов) T=(x1,y1),…,(xi,yi) для которых y xi yi, i 1, l то есть это известная инфор * мация об отображении X Y.

* y Для применения алгоритмов классификации и распознавания образов принимается следующая гипотеза:

Гипотеза: Множество XY является вероятностным пространством с вероятностной мерой P. Прецеденты (x1,y1),…,(xi,yi) появляются случайно и независимо в соответствии с распределением P.

Задача классификации – построить функцию F(x), классификатор, при ближающую отображение y*, основываясь на обучающей выборке (x1,y1),…,(xi,yi).

Эмпирическим риском будем называть PF x y x, y T то есть веро ятность неверной работы классификатора для векторов признаков из обуча ющей выборки.



Pages:     | 1 | 2 || 4 | 5 |
 





 
© 2013 www.libed.ru - «Бесплатная библиотека научно-практических конференций»

Материалы этого сайта размещены для ознакомления, все права принадлежат их авторам.
Если Вы не согласны с тем, что Ваш материал размещён на этом сайте, пожалуйста, напишите нам, мы в течении 1-2 рабочих дней удалим его.